Введение
Безопасность дорожного движения остаётся одной из ключевых проблем транспортной инфраструктуры. По данным официальной статистики, несмотря на общее снижение количества дорожно-транспортных происшествий, сохраняется высокий уровень тяжести последствий, причём наибольшая концентрация рисков наблюдается в условиях городского трафика [1]. Существенную долю таких происшествий формируют ситуации, которым предшествуют скрытые либо незафиксированные конфликтные взаимодействия участников движения, из-за чего реальные очаги опасности остаются вне поля зрения традиционного учёта [2]. Под конфликтным взаимодействием далее понимается эпизод сближения участников движения, характеризуемый малыми временными/пространственными зазорами и повышенной вероятностью опасного развития событий. Классические ретроспективные методы анализа аварийности требуют длительного накопления данных, слабо адаптируются к быстро меняющимся потокам и не позволяют заблаговременно выявлять угрозы, до наступления инцидента, что ограничивает возможности превентивного управления [3].
В последние годы активное развитие методов компьютерного зрения и обработки видеопотоков на базе нейросетевых моделей открывает возможность перехода от реактивного к проактивному анализу дорожной обстановки. Однако многие существующие решения по-прежнему сконцентрированы на постфактумном распознавании событий или отслеживании отдельных объектов и не обеспечивают системного анализа взаимодействий, эволюционирующих в конфликт. Отсутствие механизмов кластеризации и ранжирования опасных ситуаций затрудняет принятие обоснованных управленческих решений и перенос результатов между локациями [4].
В данной работе рассматривается подход к проактивному выявлению и стратификации конфликтных ситуаций в транспортном потоке на основе обработки видеоданных [5]. Архитектура системы включает нейросетевую детекцию объектов (YOLOv12) и трекинг траекторий (BoT-SORT) [6], последующее агрегирование траекторий во временные взаимодействия и расчёт пространственно-временных метрик, в том числе времени до столкновения (Time to Collision, TTC) и времени после освобождения конфликтной точки (Post-Encroachment Time, PET) [7; 8], а также кластеризацию событий с использованием генетического алгоритма. На этой основе формируются карты зон повышенного риска и автоматизированные аналитические отчёты, что делает подход практически применимым для мониторинга городской сети и раннего предупреждения инцидентов.
Целью работы является исследование применимости сквозного видеоаналитического конвейера для раннего выявления и стратификации конфликтных взаимодействий в городском транспортном потоке.
Материалы и методы исследования
В качестве исходных данных использовались видеозаписи транспортного потока с уличных камер наблюдения, установленных на участках с плотным городским движением. Видеопоток анализировался с целью автоматического выявления потенциальных конфликтных взаимодействий участников дорожного движения, оценки их параметров и последующей стратификации по уровню риска. Общая структура предлагаемой системы обработки представлена на рисунке 1.
Рис. 1. Структура системы анализа конфликтных ситуаций на основе видеоданных и генетического алгоритма кластеризации Примечание: составлено авторами по результатам данного исследования
Предварительная обработка видеоданных включает стабилизацию изображения, коррекцию оптических искажений и перспективное выравнивание. Детекция объектов осуществляется с использованием нейросетевой архитектуры YOLOv12 – сверточный одношаговый детектор объектов семейства YOLO (одновременная локализация и классификация на одном проходе) – обеспечивающей высокую точность локализации транспортных средств при сохранении скорости обработки, близкой к реальному времени [9]. Алгоритм BoT-SORT – алгоритм отслеживания по детекциям, сочетающий байесовскую фильтрацию движения и повторную идентификацию (Re-ID) по визуальным признакам, применяется для отслеживания идентификаторов объектов между кадрами и поддерживает устойчивость трекинга даже при кратковременных перекрытиях и исчезновениях. Он сочетает байесовскую фильтрацию и повторное обнаружение по визуальным признакам.
Для каждого обнаруженного объекта на протяжении его движения по кадрам формируется пространственно-временная траектория. Анализ взаимного положения пар объектов позволяет идентифицировать потенциальные конфликтные ситуации. При этом для двух объектов i и j, движущихся по координатам (xi(t),yi(t)) и (xj(t),yj(t)), евклидово расстояние между ними определяется выражением:
(1)
На основе траекторий вычисляются суррогатные показатели безопасности, характеризующие риск сближения. Временная метрика Time to Collision (TTC) применяется для оценки потенциального времени до столкновения в случае сохранения текущей скорости и направления движения объектов:
ТТС = d / vrel , (2)
где d – расстояние между объектами в момент измерения, а vrel – относительная скорость сближения.
TTC позволяет обнаруживать быстро развивающиеся угрозы, особенно в случаях движения по пересекающимся траекториям.
Дополнительно используется метрика Post-Encroachment Time (PET), рассчитываемая как модуль разности времён прохождения объектами точки потенциального конфликта:
PET = |tA – tB|, (3)
где tA и tB – моменты времени, в которые объекты A и B, соответственно, покидают и входят в зону конфликта.
PET характеризует временной зазор между двумя участниками движения при последовательном прохождении пересекающихся траекторий, что особенно актуально для оценки конфликтов с участием уязвимых участников (например, пешеходов и велосипедистов). Геометрическая интерпретация конфликта с расчётом PET приведена на рисунке 2, где схематически показаны пересекающиеся траектории, момент пересечения и соответствующие временные метки. Такая визуализация позволяет наглядно представить, как извлекается информация из траекторных данных.
Рис. 2. Геометрическая интерпретация конфликта с расчетом метрики PET между траекториями участников движения Примечание: составлено авторами по результатам данного исследования
На основе совокупности вычисленных параметров формируется вектор признаков для каждой конфликтной ситуации. Под вектором признаков далее понимается упорядоченный набор измеряемых параметров взаимодействия (временных и геометрических), используемых в последующей кластеризации. Вектор включает значения TTC, PET, минимальную дистанцию сближения, угол встречи, относительную скорость, продолжительность конфликта и другие вторичные признаки. Этот многомерный массив используется в задаче кластеризации, цель которой – объединение ситуаций в кластеры по степени потенциальной опасности.
В отличие от традиционных методов, таких как k-средних или иерархическая агломерация, в работе применён генетический алгоритм кластеризации. Под генетическим алгоритмом далее подразумевается эволюционный метод оптимизации, использующий популяцию решений и операторы селекции, скрещивания и мутации для поиска наилучшего разбиения. Он позволяет адаптивно подстраиваться под структуру признаков, учитывать их нелинейные зависимости и находить устойчивые разбиения без предварительного задания числа кластеров [10-12]. Каждая особь в популяции кодирует набор центров кластеров и весов признаков, отвечающих за их значимость в функции расстояния.
Фитнес-функция оценивает качество кластеризации по внутрикластерной компактности и межкластерной разделимости:
(4)
где C={C1,C2,…,CK} – разбиение выборки на K кластеров, а δ(i,j) – мера близости объектов внутри одного кластера.
В качестве метрики δ использовалось взвешенное евклидово расстояние между нормализованными признаковыми векторами. Оптимизация проводилась с помощью библиотеки DEAP (Distributed Evolutionary Algorithms in Python) [13]. В процессе эволюции применялись операции селекции по турнирной схеме, одноточечного кроссинговера и вероятностной мутации.
Результатом кластеризации является стратификация всех зафиксированных ситуаций по уровням риска, а также построение карты зон повышенного риска с указанием наиболее конфликтогенных участков городской уличной сети. Под картой зон повышенного риска далее понимается пространственная визуализация интенсивности конфликтных взаимодействий (по сетке/ячейкам или буферам), используемая для приоритизации мер безопасности. На финальном этапе система автоматически формирует отчёт, включающий статистику по времени, координатам, типам участников и степени риска.
Результаты исследования и их обсуждение
Разработанная система была протестирована на видеозаписях общей протяжённостью 4,2 км городских улиц с плотным транспортным потоком. Среднее время полной обработки одного километра видеоданных составило 20–25 минут при использовании GPU RTX 4070, что более чем в десять раз быстрее по сравнению с традиционным экспертным анализом. Модель YOLOv12 показала среднюю точность обнаружения объектов mAP = 0.861, а алгоритм BoT-SORT обеспечил устойчивое отслеживание траекторий с долей успешного сопоставления выше 95 %. mAP (mean Average Precision) – средняя точность по классам; значение рассчитано по стандартной процедуре оценки детекторов объектов.
В результате анализа было зафиксировано 1134 потенциальных конфликтных взаимодействия. Расчёт метрик TTC и PET позволил классифицировать 17,4% событий как критические (TTC < 1.2 c, PET < 0.5 c). Пространственное распределение этих случаев выявило локальные зоны концентрации риска, преимущественно вблизи остановок и пересечений с нерегулируемыми переходами.
Применение генетического алгоритма кластеризации позволило разделить все ситуации на четыре устойчивые группы по признакам риска. Наиболее опасный кластер включал 184 конфликта с медианными значениями TTC = 0.94 C и PET = 0.31 c. По сравнению с алгоритмом k-средних, предложенный подход обеспечил прирост индекса силуэта с 0.42 до 0.61 и снижение внутрикластерной дисперсии на 27,8%, что свидетельствует о более качественном разделении событий. Индекс силуэта – безразмерная метрика [−1;1], показывающая, насколько объект ближе к своему кластеру, чем к соседнему; внутрикластерная дисперсия – среднее квадратичное отклонение точек от центров своих кластеров. Пример результатов кластеризации представлен на рисунке 3, где каждая точка отображает одно конфликтное взаимодействие, а цвет обозначает принадлежность к кластеру. Кластеры, агрегирующие события с малыми значениями TTC и PET, отражают более высокий уровень риска, поскольку характеризуются быстрым сближением и минимальными временными зазорами при пересечении траекторий.
Рис. 3. Пример распределения конфликтных ситуаций по кластерам с указанием уровней риска Примечание: составлено авторами по результатам данного исследования
Напротив, кластеры с большими TTC и/или PET соответствуют безопасным/умеренным взаимодействиям. Смещение центроидов в область малых значений по обеим осям указывает на концентрацию критичных сценариев; преобладание маркеров «ТC–пешеход» в таких группах свидетельствует о необходимости приоритизации мер в соответствующих точках уличной сети. Установленная иерархия кластеров по медианам TTC/PET используется для стратификации риска и прямой привязки к картам зон повышенного риска: ячейки/участки, на которых преобладают кластеры с малыми временными зазорами, подлежат первоочередной проверке организации движения и пешеходной инфраструктуры. Отчётливо прослеживается разделение на группы с разной степенью риска. Кроме кластера с низкими значениями PET и TTC, соответствующего наиболее опасным ситуациям, также выявлены группы с иным характером. В частности, один из кластеров соответствует событиям с низким TTC и высоким PET – то есть потенциально опасным сближениям, которые были своевременно предотвращены [14]. Такие конфликты могут служить индикаторами латентной напряжённости движения и быть полезными для оценки упреждающих мер безопасности [15].
На основе кластеризованных данных была сформирована карта зон повышенного риска, отражающая зоны с повышенной вероятностью возникновения дорожно-транспортных происшествий (ДТП). Сопоставление с архивом реальных происшествий за предыдущие шесть месяцев показало совпадение по координатам в 86% случаев. Генерация итогового отчёта, включающего пространственный анализ, графики и агрегированные таблицы, осуществлялась автоматически и занимала менее одной минуты.
Таким образом, представленная система демонстрирует высокую точность, оперативность и пригодность для применения в задачах мониторинга дорожной инфраструктуры и раннего предупреждения транспортных инцидентов. Полученные визуализации позволяют не только количественно оценить эффективность алгоритма, но и обеспечить интерпретацию результатов для практического использования в городском управлении.
Заключение
Сформулированные в работе критерии критичности на основе пространственно-временных показателей и правила агрегирования траекторий во взаимодействия обеспечивают непротиворечивую основу для последующего анализа. Реализованный воспроизводимый конвейер предобработки, детекции и многообъектного отслеживания (YOLOv12/BoT-SORT) демонстрирует надёжное сопоставление траекторий (доля успешных ассоциаций свыше 95%) и позволяет выявлять широкий спектр потенциальных конфликтов (1134 ситуации, из них 17,4% – критические). Эволюционная кластеризация событий превосходит базовые альтернативы по качеству разбиения: фиксируется рост индекса силуэта на 45% при одновременном снижении внутрикластерной дисперсии на 27,8%, что указывает на более точную стратификацию уровней риска и лучшую интерпретируемость результатов. Внутренняя проверка подтверждает устойчивость кластерной структуры к варьированию порогов и гиперпараметров, внешняя – согласованность полученных карт с независимыми данными о дорожно-транспортных происшествиях. На основе кластеризованных событий автоматически формируются карты зон повышенного риска и аналитический отчёт (формирование занимает менее одной минуты), что демонстрирует практическую пригодность предложенного решения для задач оперативного мониторинга улично-дорожной сети и приоритизации адресных мер безопасности. Таким образом, полученные результаты свидетельствуют о применимости и устойчивости сквозного видеоаналитического конвейера для раннего выявления и стратификации конфликтных взаимодействий в условиях городской транспортной среды.